Financial Volatility and Risk Forecasting Incorporating a Larger Number of Realized Measures
创建于 更新于
摘要
本研究在 Realized GARCH 框架中引入多重 realized measures，提出三种整合信息的路径：一是通过自编码器实现多指标的非线性降维，得到一个合成的 realized measure（AE-RealGARCH）；二是一种一阶段的线性加权 Realized GARCH（LW-RealGARCH），直接对候选衡量指标进行凸加权并与 GARCH 参数共同最大似然估计；三是基于 Beta 加权函数的非线性加权 Realized GARCH（NLW-RealGARCH），实现参数个数独立于输入维度的聚合权重。以大约22年的数据覆盖29个全球股指为样本，分别在波动率、VaR 和 ES 的预测上比较这三种方法与基准模型。结果显示，相较单一衡量、等权以及线性降维的基准，三种新模型在波动率和风险预测方面具有更高的准确性，尤其在 COVID-19 期间风险预测优势更为明显 [page::0]
